第一週上課，看著錄影的回放，滿天飛的英文縮寫：RAG、MLOps、Quantization，我的頭雖然沒有很小，但就是塞不進這些東西，也很難與實際的使用相連結。心裡想著：認證是一回事，關鍵是我到底有沒有吸收？
第二週，2026/4/18 上課時，也就是今日，我改變了策略。我不想再讓腦袋空空地坐在那裡，於是改用 Google Antigravity 一邊整理筆記、一邊學習。果然，上午的狀況好多了，精神滿滿。
真正有趣的事情發生在下午。
第二週，2026/4/18 上課時，也就是今日，我改變了策略。我不想再讓腦袋空空地坐在那裡，於是改用 Google Antigravity 一邊整理筆記、一邊學習。果然，上午的狀況好多了，精神滿滿。
真正有趣的事情發生在下午。
當時正在講 AI 的演算法，我雖然有興趣，但下午就是容易恍神。就在快放空的那一刻，我突然想到：這些演算法是「結果」，那我自己下指令請 AI 整理筆記的過程，究竟是什麼？ 以下圖片的內容，是取自 [楊宏文老師的ITS AI國際認證培訓班課程] 的內容，由 TibaMe 主辦。
就這樣，這篇文章誕生了。而且整個下午上課，我自己精神異常地好。邊寫邊聽課，不斷的透過問題來向 AI 提問，看著 AI 給我的回答，再對照老師的課程內容，來回比對，覺得太有趣了，我終於有點"來電"的感覺了。
為了讓筆記再提升一個層次，我還要求 AI，把文章裡出現的每一個專有名詞，都對應回課程的脈絡與意涵，讓我能快速查明。不一定每個連結都百分之百準確，但對我來說，這樣一個「橋接」的動作，讓那些原本陌生的詞彙開始有了「位置感」。當我不瞭解時，我即可快速回到講義中查詢，請 AI 進行一個小小的動作，卻是給自己大大的方便。
一、第一步從來不是丟資料，而是建立框架
多數人使用 AI，習慣把資料一次貼上，要求立刻產出結果，這往往會導致失控。這是 AI 在處理序列資訊時天生的限制，也是為什麼後來會發展出 LSTM (長短期記憶網路)（Ch3） 來解決傳統模型容易「遺忘」前端資訊問題的原因。在這次處理中，我第一步是先給予 AI 明確的「邊界與骨架」。我將 ITS 官方考綱分為五大章，並要求 AI 先閱讀整體架構。這在課程中，正是所謂的對齊業務與領域知識（Ch1），在動手前，先確認專案要解決的問題定義。
當我要求 AI 將散落的對話紀錄與零碎筆記，分門別類地塞入這五章中時，我其實是指揮 生成式 AI (GAI)（Ch1） 執行了一次龐大的分類 (Classification)（Ch1） 與分群 (Clustering)（Ch1） 任務，確保最終產出的每一段文字，都緊緊扣著我的戰略目標，最後，我更加入關鍵字的整理。
二、不塞垃圾給大腦：高濃度資訊的淬鍊
原始的課程講義與逐字稿包含了大量的口語贅字與重複段落，這是最棘手的非結構化資料（Ch2）。如果我照單全收，不僅浪費運算資源，產出的品質也會大打折扣。因此，我要求 AI 在閱讀時必須先進行類似 ETL（提取、轉換、載入）（Ch2） 的過濾工程。
我給了明確指令：刪除講師閒聊，只保留核心定義，這就是標準的特徵選取 (Feature Selection)（Ch2）。這個主動去蕪存菁的動作，就像是替知識庫做了一次知識蒸餾 (Knowledge Distillation)（Ch4），把龐雜的原型濃縮成了好讀的精華版，避免我在複習時被次要資訊干擾，導致學習焦距迷失（亦即避免過度擬合 Overfitting（Ch3） 於無效細節）。
三、奪回控制權：用機制防堵 AI 亂發揮
處理學習筆記，我最無法容忍的就是 AI 自己「腦補」未曾教過的考點，也就是我們常說的幻覺 (Hallucination)（Ch3）。為了徹底封死這個風險，我的指令邏輯高度借鑒了 RAG（檢索增強生成）（Ch4） 架構。我嚴格限制 AI：「只能從我提供的講義檔案中尋找答案，不准動用你內建的網路知識」。
同時，為了確保內容的可靠性，我要求整理出來的筆記必須具備高度的透明度（Ch3），這體現了 可解釋 AI (XAI)（Ch3） 的精神。如此嚴謹的防堵機制，是為了避免在準備考試時發生最致命的型二錯誤（漏報 / FN）（Ch3）。若重點根本沒被整理進去，上考場時將毫無防備。
四、人機協作的本質：持續監控與動態修正
在整個處理過程中，我並沒有按下 Enter 就跑去喝咖啡，而是要求 AI 每完成一章就暫停，等待我審核品質後再繼續。這種在迴圈中保持「人在迴路 (Human-in-the-loop)」的作法，就是維運管理中的 利益關係人 (Stakeholder)（Ch5） 參與。當我反饋「這段太淺，請加深」或是「幫我補上關鍵字標籤」時，我其實是在緊盯專案效能；一旦發現落差，便立刻介入調整指令，這完美對應了發現問題後觸發模型再訓練 (Retraining)（Ch5） 的過程。
隨時保持溝通、敏捷修正，這正是 MLOps（Ch5） 及 OTA 更新（Ch5） 的核心精神，以確保產出物能隨時適應變動的要求，永遠不會與目標發生概念飄移 (Concept Drift)（Ch5）。
五、殺雞不用牛刀：視任務調度不同的大腦
在這次協作中，一個容易被忽略的細節是：我根據任務的載重需求，動態切換了不同的 AI 模型（例如 Gemini Flash 與 Claude Sonnet）。面對簡單的排版與快速瀏覽，我使用主打輕量、高速的 Gemini Flash（這類模型本質上運用了模型量化 Quantization（Ch4） 的技術來瘦身）；而當要處理數千字的深度邏輯重構時，我便切換回參數更大、推理力更強的主力模型。
這種因地制宜的調度，直接呼應了企業在考慮架構時必經的系統升級評估（Ch5）。這不再是死板地依賴單一工具，而是透過實際測試比較（類似 A/B 測試（Ch5）），為不同的工作負載配置出最兼顧成本與效能的推論 (Inference)（Ch5） 管線。
》後記：同一天，還問了三個問題
這篇文章完成後，下午的課程還沒結束。帶著剛找到的節奏，我繼續用同樣的方式，在課堂上針對三個讓我思考的題目，各寫了一篇文章：
① 為什麼讓員工使用 AI，才是提升 ROI 最有效的路？
① 為什麼讓員工使用 AI，才是提升 ROI 最有效的路？
公司花大錢買系統，為什麼效益往往不如員工自己找工具來用？這篇文章從動機結構、學習轉移與組織行為切入，找出企業 AI 投資回報的真正槓桿點。參考課中，老師給我們分享給我們的文章「v0.1_State_of_AI_in_Business_2025_Report」。
② AI 時代企業講師的定位與破局 當 AI 開始進入企業培訓，講師該走深度還是廣度？
② AI 時代企業講師的定位與破局 當 AI 開始進入企業培訓，講師該走深度還是廣度？
這篇文章探討如何在兩者之間找到黃金交叉，以及為什麼「讓學員帶著自己的問題來練習」，才是最有效的學習設計。
③ AI 導入：公司端與個人端資安注意事項 用了 AI 之後，哪些事情絕對不能做？
③ AI 導入：公司端與個人端資安注意事項 用了 AI 之後，哪些事情絕對不能做？
這篇文章從企業治理與個人使用兩個角度，整理了導入 AI 時不可忽視的資安風險與邊界。
三篇文章，三個問題，都是那天下午課堂上靈光一現的思考。我越來越相信，學習的方式不只是「聽進去」，更是「問出來」。
三篇文章，三個問題，都是那天下午課堂上靈光一現的思考。我越來越相信，學習的方式不只是「聽進去」，更是「問出來」。
▶術語速查索引
- [Ch1 基礎理論]：生成式 AI (GAI)、分類、分群、業務與領域知識
- [Ch2 資料工程]：非結構化資料、ETL、特徵選取
- [Ch3 模型評估]：幻覺 (Hallucination)、過度擬合、型二錯誤（漏報）、透明度、可解釋 AI (XAI)、LSTM (長短期記憶網路)
- [Ch4 部署與協作]：知識蒸餾、模型量化、RAG（檢索增強生成）、自主式 AI 代理 (Agent)
- [Ch5 維運監控]：利益關係人、模型再訓練、概念飄移、MLOps、OTA 更新、A/B 測試、推論、系統升級評估
．．．關於分享者．．．
※連繫：FB 蔡興正
※電郵：jason@cpfs.com.tw
※證照：孫易新心智圖講師班﹙2014﹚ | GCDF全球職涯發展師 | Google全球教育家
※專長：心智圖法 | 數位工作 | 職涯紫微
留言
張貼留言